Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal JIKSI (Jurnal Ilmu Komputer dan Sistem Informasi)
Adidtiya Kurniawan
Unknown Affiliation
Computer Science & IT Mathematics Other

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
KLASIFIKASI SPESIES KUPU-KUPU MENGGUNAKAN CNN DENGAN REDUKSI DIMENSI PCA Bovilius Meidi; Jovandi Todana; Adidtiya Kurniawan
Jurnal Ilmu Komputer dan Sistem Informasi Vol. 13 No. 2 (2025): Jurnal Ilmu Komputer dan Sistem Informasi
Publisher : Fakultas Teknologi Informasi Universitas Tarumanagara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24912/jiksi.v13i2.35125

Abstract

Kupu-kupu memiliki peran dalam menjaga keseimbangan ekosistem sekaligus menjadi indikator kualitas lingkungan hidup. Penurunan populasi kupu-kupu di wilayah perkotaan menjadi latar belakang pengembangan sistem klasifikasi spesies berbasis citra digital guna mendukung edukasi dan konservasi. Penelitian ini mengusulkan metode klasifikasi spesies kupu-kupu menggunakan kombinasi Convolutional Neural Network (CNN) dan Principal Component Analysis (PCA). Dataset yang digunakan diambil dari Kaggle dengan total 80 spesies, namun difokuskan pada 5 spesies untuk eksperimen, yaitu Monarch, Painted Lady, Peacock, Question Mark, dan Red Admiral. Proses pra-pemrosesan dilakukan dengan Sobel Edge Detection untuk menonjolkan kontur morfologi, sedangkan fitur tekstur diekstraksi menggunakan Gray Level Co-Occurrence Matrix (GLCM). Reduksi dimensi dengan PCA diterapkan sebelum proses klasifikasi menggunakan Support Vector Machine (SVM). Hasil pengujian menunjukkan bahwa metode CNN dengan input gambar hasil Sobel mencapai akurasi tertinggi sebesar 75,21%. Sementara itu, kombinasi metode SOBEL + PCA + SVM menghasilkan akurasi 58,76%, dan kombinasi GLCM + PCA + SVM menghasilkan akurasi 40,07%. Metode hybrid Sobel + GLCM + PCA + SVM memberikan akurasi terendah di antara pendekatan non-deep learning yaitu 23,07%. Temuan ini menunjukkan bahwa pendekatan CNN memberikan akurasi terbaik, sedangkan kombinasi GLCM, Sobel, PCA, dan SVM menawarkan solusi klasifikasi yang lebih efisien tetapi mengurangi berbagai fitur utama dalam klasifikasi.
Co-Authors Bovilius Meidi Jovandi Todana